论文告一段落

投递时间线：（已经很详细了哈 5.7晚11点投递→5.9下午通知→5.10中午12：30左右完成→5.10通知一面→5.12一面→5.14通知二面→5.15晚上二面→5.16通知三面→5.17三面 （**内容上个帖子发过了，这里主要说面试相关 目前三场面试均已通过，具体问题见图片哈（时间较长遗忘较多） 🔵一面：技术面-15mins左右） 流程：自我介绍→拷打项目→部分八股，无反问 🔵二面：疑似hr面 -20mins左右（具体不清楚） 流程：自我介绍→自选项目介绍（不一定非得体现技术含量高，我觉得更多可能侧重于合作，当时我问了我的面试官）→聊天局→反问 ❗️but 大家二面差别好像挺大的，已...

刚刚去面了一家看起来只有10个人不到的小公司。我一进去他们的人：你先填表。然后我就填了如下内容：1. 个人基本信息：姓名，电话，学校等。2. 荣誉证书奖项等我没填的有：1. 个人身份证号2. 家庭地址3. 家庭成员信息4. 从高中到大学的学校信息5. 等...过了一会儿，然后他们把我的表交给面试官。面试官：这张表你就这样填的？那你不用面了。我：😅我寻思着也不是什么国家政府单位，而且还没入职和面试，为什么要填这么多消息？😅

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...